Fecha de la ultima revisión

## [1] "2024-04-15"

library(ggversa)
library(ggplot2)
library(janitor)

Histogramas con geom_histogram

Un histograma es una representación gráfica de los datos agrupados en compartimentos o bins. Estos compartimentos incluyen individuos con factores o agrupaciones de valores similares o cercanos numéricamente. Subsiguiente a la determinación de los compartimentos, se suma la cantidad de observaciones para cada uno de ellos. Un histograma es un tipo de gráfico muy común para visualizar la dispersión de esos datos. Continuaremos con el ejemplo de Dipodium para demostrar la función de geom_histogram a continuación.

En el primer caso de geom_histogram la cantidad de observaciones (datos) se suma de acuerdo a la posición de los compartimentos o bins.

En el segundo caso, para mostrar menos barras y ver la agrupación por grupos de 2, se escribe con geom_histogram (binwidth=1). Como se puede apreciar, el número de compartimentos se cambia utilizando el parámetro binwidth, donde su valor representa el ancho del compartimento (en nuestro caso es igual a 1). El número de bins predeterminado es 30, pero no necesariamente todos tendrán una barra ya que eso depende de la distribución de los datos. Cada barra representa la frecuencia de observaciones en la categoría a un metro de distancia. En ambos casos se usó color=white (o sea, color blanco) para poner una línea blanca alrededor de cada barra y así diferenciar mejor los grupos o bins. Nota que el programa retorna el mensaje stat_bin() using bins = 30. Pick better value with binwidth. Esto porque se acepto la cantidad de compartimiento prederminado.

library(janitor)
DW=clean_names(dipodium) # este archivo de datos se encuentra en el paquete "ggversa"
names(DW)

##  [1] "tree_number"             "tree_species"           
##  [3] "dbh"                     "plant_number"           
##  [5] "ramet_number"            "distance"               
##  [7] "orientation"             "number_of_flowers"      
##  [9] "height_inflo"            "herbivory"              
## [11] "row_position_nf"         "number_flowers_position"
## [13] "number_of_fruits"        "perc_fr_set"            
## [15] "pardalinum_or_roseum"    "fruit_position_effect"  
## [17] "frutos_si_o_no"          "p_or_r_infl_lenght"     
## [19] "num_of_fruits"           "species_name"           
## [21] "cardinal_orientation"

library(gt)
DW %>%
  head() %>% 
 gt()

tree_number	tree_species	dbh	plant_number	ramet_number	distance	orientation	number_of_flowers	height_inflo	herbivory	row_position_nf	number_flowers_position	number_of_fruits	perc_fr_set	pardalinum_or_roseum	fruit_position_effect	p_or_r_infl_lenght	num_of_fruits	species_name	cardinal_orientation
1	E.o	75	1	1	2.47	40	11	35	n	1	24	0	0.00	r	1	r	0	r	1
1	E.o	76	2	1	1.97	50	19	47	n	2	23	0	0.00	r	2	r	0	r	2
2	E.o	76	3	1	1.95	350	18	63	n	3	25	1	0.04	r	3	r	1	r	8
3	E.o	58	4	1	3.24	210	24	47	n	4	20	5	0.25	r	4	r	5	r	5
4	E.o	NA	5	1	0.85	80	25	61	n	5	13	0	0.00	r	5	r	0	r	2
5	E.o	59	6	1	2.62	160	17	35	n	6	25	2	0.08	p	6	r	2	p	4

a=ggplot(DW, aes(distance))
a+geom_histogram(color="white", fill="blue")+
  labs(x="Distancia", y="Frecuencia")+
  theme(axis.title=element_text(size=10,face="bold"))

## `stat_bin()` using `bins = 30`. Pick better
## value with `binwidth`.

Cambio del tamaño de los compartimiento con binwidth

Este histograma demuestra las distancias de las orquídeas Dipodium roseum a los árboles más cercanos. Esta especie de orquídea es parasítica de hongos/micorrizas y no produce fotosíntesis. La hipótesis es que las micorrizas, hongos, reciben nutrientes de las raíces de los árboles y los nutrientes son transferidos a las orquídeas a través de las micorrizas. A consecuencia, se debería hipotéticamente observar una distancia óptima de la orquídea a los árboles que sostienen las micorrizas si la hipótesis tiene alguna veracidad. Como se explicó antes, en el segundo gráfico, se cambió el binwidth a 1, que representa en este caso la distancia de 1 metro, y los bins van de -.5 a .5 m., el segundo bin de >0.5 a 1.5 metros y así sucesivamente.

length(DW$distance)

## [1] 1365

a=ggplot(DW, aes(distance))
a+geom_histogram(binwidth=.5,color="white", fill="blue")+
  labs(x="Distancia", y="Frecuencia")+
  theme(axis.title=element_text(size=10,face="bold"))

Números de camas en hospitales por 1000 habitantes en diferenctes paises

En el siguiente gráfico, vemos la frecuencia de número de camas de hospital por cada 1000 habitantes para 67 países utilizando la base de datos Camas_Hospital. Se hizo con la información que estaba disponible solo para los años 1996 y 2006. Tenemos dos gráficos solapados para visualizar si la distribución ha cambiado de entre el año 1996 y 2006. Note que las frecuencias del 2006 aparecen sobre las del 1996.

Camas_Hospital %>% 
  head() %>% 
  gt()

Pais	Year	Poblacion	Camas
Armenia	1996	3173425	7.13
Australia	1996	18311000	8.50
Austria	1996	7959017	9.30
Azerbaijan	1996	7763000	9.81
Bahamas, The	1996	283792	3.94
Barbados	1996	265940	7.56

str(Camas_Hospital)

## 'data.frame':    134 obs. of  4 variables:
##  $ Pais     : Factor w/ 67 levels "Armenia","Australia",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ Year     : int  1996 1996 1996 1996 1996 1996 1996 1996 1996 1996 ...
##  $ Poblacion: int  3173425 18311000 7959017 7763000 283792 265940 10160000 213674 7717445 8362826 ...
##  $ Camas    : num  7.13 8.5 9.3 9.81 3.94 ...

unique(Camas_Hospital$Year) # cual son los años de muestreo

## [1] 1996 2006

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(stat="bin")+
  xlab("Número de camas por cada 1000 habitantes")+
  ylab("Frecuencia")

## `stat_bin()` using `bins = 30`. Pick better
## value with `binwidth`.

Modificando las escalas continuas con scale_y_continuous y scale_x_continuous

Se demuestra también cómo modificar la escala, primero con un método poco práctico numerando en el eje de Y cada valor donde queremos una línea. Note que se excluye el número 10 y por eso no aparece en el eje de Y la función es scale_y_continuous(breaks=c(x,x,x…x). En el eje de X se numera también pero esta vez se define la escala con scale_x_continuous(breaks=c( ), y c(x:xx) con un valor inicial de 1 y final de 15 para identificar cual son los valores que uno quiere en los ejes; eso es más práctico e incluye al valor 10. También se modifica la información de los ejes usando xlab y ylab, de manera tal que la descripción de la columnas se pueda presentar de forma específica y así hacer la información más clara para propósitos del gráfico. =

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))+
  geom_histogram(stat="bin", alpha=0.3)+
  scale_y_continuous(breaks=c(0,1,4,5,6,7,8,9,11,12,13,14,15))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))
a

## `stat_bin()` using `bins = 30`. Pick better
## value with `binwidth`.

Solapamiento de frecuencia y intensidad de color

Podríamos pensar que, debido a que las frecuencias están solapadas, es difícil tener una buena apreciación de la distribución de los datos. Para comparar las frecuencias entre los grupos con más facilidad, se pueden diferenciar las frecuencias con 3 colores; en este caso el color azul para el año 2006, el color durazno para el año 1996, y el color grisáceo para las frecuencias que se solapan con ambos años. Se usa position=identity y alpha= pata modicar la intensidades de color de la barras. Ahora vemos que, por ejemplo, en el año 1996 la frecuencia más común en los países era de menos de 2 camas por 1,000 habitantes, y que ya para el año 2006 ya era de 2 y 8 camas por cada 1,000 habitantes.

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(stat="bin", alpha=0.5,
                 position="identity")+
  xlab("Número de camas por \n 1000 habitantes")+
  ylab("Frecuencia")+
  scale_y_continuous(breaks=c(0:9))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))

## `stat_bin()` using `bins = 30`. Pick better
## value with `binwidth`.

Posicionar las barras uno al lado del otro con la función dodge

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(color="black", bins=15, alpha=0.9,
                 position="dodge")+
  xlab("Número de camas por \n 1000 habitantes")+
  ylab("Frecuencia")+
  scale_y_continuous(breaks=c(0:9))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))+
  facet_wrap(~Year)

Gráficos para grupo con Facet_wrap

Cambio de colores del gráfico manualmente

Otra alternativa es usar dos gráficos para cada año; o sea, uno por cada grupo. En tal caso usaremos la opción facet_wrap. facet_wrap se explican con más detalle más adelante. Podemos cambiar el color de las barras usando scale_fill_manual; en nuestro caso, cyan4 para el 1996 y darkorange para el 2006. Además, note que con scale_color_manual podemos cambiar la línea alrededor de las barras; en nuestro caso la cambiamos a negro o black.

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year),
                             color=factor(Year)))
a+geom_histogram(stat="bin", alpha=0.5)+
  xlab("Número de camas \n por cada 1000 habitantes")+
  ylab("Frecuencia")+
  scale_fill_manual(values=c("cyan4", "darkorange"))+
  theme(axis.title=element_text(family="Times",size=10,face="italic", colour="#4ea7ad"))+
  facet_wrap(~Year)+
  scale_y_continuous(breaks=c(0:9))+
  scale_x_continuous(breaks=c(1:15))+
  scale_color_manual(values=c("black", "black"))+
  theme(axis.title.x=element_text(angle=10))+  # NOTE the x legend text 
  theme(axis.text.x=element_text(size=8, angle=45))

## `stat_bin()` using `bins = 30`. Pick better
## value with `binwidth`.

Opciones y Parametros de geom_histogram:

ggplot(el archivo de datos, aes(la variable continua))
- geom_histogram (), binwidth, x, y, alpha, color, fill, stat, position.
- binwidth: el ancho de los compartimentos donde por defecto es de 1/30 el rango de los datos.
- alpha: la intensidad del color
- fill: el color del área; ej., color=blue
- color: el color de la línea alrededor del área; ej., color=white
- position: “identity”, “stack”, “dodge”.

library(gt)
diamonds %>% 
  head() %>% 
  gt()

carat	cut	color	clarity	depth	table	price	x	y	z
0.23	Ideal	E	SI2	61.5	55	326	3.95	3.98	2.43
0.21	Premium	E	SI1	59.8	61	326	3.89	3.84	2.31
0.23	Good	E	VS1	56.9	65	327	4.05	4.07	2.31
0.29	Premium	I	VS2	62.4	58	334	4.20	4.23	2.63
0.31	Good	J	SI2	63.3	58	335	4.34	4.35	2.75
0.24	Very Good	J	VVS2	62.8	57	336	3.94	3.96	2.48

Usando el archivo de datos de diamonds en el paquete ggplot2, haga un histograma del precio de los diamantes, en diferentes chunks.

cambia el color de las barras
pon una linea blanca alrededor de las barras
separa los diamantes de diferentes color en histograma diferentes
evalúa como se ve los gráficos con las diferentes arreglos: position: “identity”, “stack”, “dodge”
cambia la intensidad del color
cambia los nombres de los ejes al español
salvar los gráficos en formato .png, .tiff o .jpeg y subir por lo menos uno de estos a MSTeam.